多时间尺度时间序列趋势预测

论文摘要

针对股票、基金等大量时间序列数据的趋势预测问题,提出一种基于新颖特征模型的多时间尺度时间序列趋势预测算法。首先,在原始时间序列中提取带有多时间尺度特征的特征树,其刻画了时间序列,不仅带有序列在各个层次的特征,同时表示了层次之间的关系。然后,利用聚类挖掘特征序列中的隐含状态。最后,应用隐马尔可夫模型（HMM）设计一个多时间尺度趋势预测算法（MTSTPA）,同时对不同尺度下的趋势以及趋势的长度作出预测。在真实股票数据集上的实验中,在各个尺度上的预测准确率均在60%以上,与未使用特征树对比,使用特征树的模型预测效率更高,在某一尺度上准确率高出10个百分点以上。同时,与经典自回归滑动平均模型（ARMA）模型和PHMM（Pattern-based HMM）对比,MTSTPA表现更优,验证了其有效性。

论文目录

• 0 引言
• 1 相关工作
•   1) 特征提取:
•   2) 状态挖掘。
•   3) 时间序列预测。
• 2 特征树模型
•   2.1 时间序列分段
•   2.2 特征树定义
•   2.3 特征树生成
• 3 预测模型
•   3.1 观测序列
•   3.2 状态发现
•     1) 相似性度量。
•     2) 状态挖掘。
•   3.3 模型生成
•   3.4 模型优化
• 4 预测模型MTSTPA
• 5 实验
•   5.1 验证分段算法
•   5.2 参数的选择
•   5.3 特征树有效性
•   5.4 模型优化验证
•   5.5 MTSTPA有效性
• 6 结语

文章来源

类型: 期刊论文

作者: 王金策,邓越萍,史明,周云飞

关键词: 特征树,时间序列预测,多时间尺度趋势预测,隐马尔可夫模型

来源: 计算机应用 2019年04期

年度: 2019

分类: 信息科技,基础科学,经济与管理科学

专业: 数学,金融,证券,投资

单位: 山西能源学院计算机与信息工程系

分类号: F832.51;O211.61

页码: 1046-1052

总页数: 7

文件大小: 710K

下载量: 644